Sinyal ayrıştırma teknikleri ve derin öğrenme modeli kullanılarak eeg sinyallerinden zihinsel iş yükünün otomatik tespiti
Automatic detection of mental workload from eeg signals using signal discrimination techniques and deep learning model
- Tez No: 824873
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Nöroloji, Science and Technology, Electrical and Electronics Engineering, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Zihinsel iş yükü, belirli bir süre boyunca bir görevi tamamlamak için gerekli olan zihinsel iş miktarıdır. Zihinsel iş yükünü ölçmek için taşınılabilirliliği, kullanım pratikliği ve sinyal alımının kolaylığı gibi sebeplerle çoğunlukla EEG sinyalleri kullanılmaktadır. Literatürde, zihinsel iş yükünün sınıflandırılmasıyla ilgili farklı özellik çıkarma ve sınıflandırma algoritmaları kullanılarak birçok çalışma yapılmıştır. Fakat yapılan bu çalışmalarda sınırlı başarılara ulaşılmıştır. Bu tez çalışmasında, katılımcılara iki farklı sayının seri olarak çıkartılması aritmetik görevi verilmiştir. Katılımcıların dinlenme ve aritmetik görev verildiği esnasındaki EEG sinyalleri, 23 kanallı ve 500 hz örnekleme frekansına sahip EEG cihazı kullanılarak kaydedilmiştir. Ham EEG sinyallerine DWT ve EMD uygulanarak delta (0-4 hz), teta (4-8 hz), alfa (8-16 hz) ve beta (16-32 hz) bandları elde edilmiştir. Bandlara ait PSD değerleri Welch yöntemi kullanılarak hesaplanmıştır. Her bir banddan gelen güç değerleri birleştirilerek öznitelik vektörleri oluşturulmuştur. DWT+Welch, EMD+Welch ve Welch ile oluşturulan öznitelik vektörlerinin, LSTM derin öğrenmesi algoritması ile SVM ve k-NN makine öğrenmesi algoritmaları kullanılarak sınıflandırma işlemi yapılmıştır. Sınıflandırma sonucunda her sınıflandırıcıya ait performans metrikleri kanallar bazında çizelgeler halinde gösterilmiştir.
Özet (Çeviri)
Mental workload is the amount of mental work required to complete a task over a given period of time. EEG signals are mostly used to measure mental workload for reasons such as portability, practicality of use and ease of signal reception. In the literature, many studies have been carried out using different feature extraction and classification algorithms related to the classification of mental workload. However, limited success has been achieved in these studies. In this thesis, the participants were given the arithmetic task of serially subtracting two different numbers. The EEG signals of the participants in their resting state and during the arithmetic task were recorded using an EEG device with 23 channels and a sampling frequency of 500 Hz. By applying DWT and EMD to raw EEG signals, delta (0-4 hz), theta (4-8 hz), alpha (8-16 hz) and beta (16-32 hz) bands were obtained. PSD values of the bands were calculated using the Welch method. The feature vectors created with DWT+Welch, EMD+Welch and Welch were classified using LSTM deep learning algorithm and SVM and k-NN machine learning algorithms. As a result of the classification, the performance metrics of each classifier are shown in charts on the basis of channels.
Benzer Tezler
- A case study in time series classification using machine learning and deep learning
Makine öğrenmesi ve derin öğrenme kullanılarak zaman serilerinin sınıflandırılması: Bir vaka çalışması
BARIŞ KÜÇÜK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Classification of ten different motor imagery eeg signals by using deep neural networks
On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması
NURİ KORHAN
Doktora
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques
Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri
KÜBRA KÜLLAHCI
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Novel approaches to radar signal deinterleaving and geolocation in the framework of optimization and deep learning
Radar sinyal ayrıştırma ve konum bulma için optimizasyon ve derin öğrenme tabanlı yeni yaklaşımlar
MUSTAFA ATAHAN NUHOĞLU
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN